CN116452313A - 银行游戏客群中客户价值的计算方法、装置和电子设备 - Google Patents
银行游戏客群中客户价值的计算方法、装置和电子设备 Download PDFInfo
- Publication number
- CN116452313A CN116452313A CN202310699886.2A CN202310699886A CN116452313A CN 116452313 A CN116452313 A CN 116452313A CN 202310699886 A CN202310699886 A CN 202310699886A CN 116452313 A CN116452313 A CN 116452313A
- Authority
- CN
- China
- Prior art keywords
- bank
- client
- value
- clients
- game
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 208000015041 syndromic microphthalmia 10 Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种银行游戏客群中客户价值的计算方法、装置和电子设备,属于数据处理的技术领域,该计算方法中,各银行客户的客户价值综合了各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值,其中,各银行客户的GRFM分值是根据三级游戏分类结果计算得到的,也就是GRFM分值体现了游戏场景,银行客户之间的MGM潜力分体现了银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,也就是银行客户之间的MGM潜力分考虑了银行客户之间的传播分享,而各银行客户的潜力P值体现了银行客户的财富,即本发明计算客户价值时考虑的维度更加丰富,能够体现不同银行客户在游戏场景下的差异,最终计算得到的各银行客户的客户价值更加准确。
Description
技术领域
本发明涉及数据处理的技术领域,尤其是涉及一种银行游戏客群中客户价值的计算方法、装置和电子设备。
背景技术
电子竞技逐渐成为年轻人重要的生活方式,根据腾讯游戏发布的报告,2021年中国的电子竞技用户预计达到4.25亿,其中25岁以下的用户达到1.27亿。可以说,游戏客群已经成为了银行不可忽视的重要客群之一。
为了更好的服务好游戏客群,需要对每位游戏客户评估其在游戏场景下的客户价值,从而针对不同客户进行精细化经营。然而,目前传统的银行客户分群方式是基于客户资产财富等级这一单一维度进行的,也就是把客户按照财富等级分为私人银行、钻石、白金、黄金和大众客户。这样的单一维度分群方式无法体现游戏客户在游戏场景下的差异,导致无法实现针对性的客群经营。
因此,需要结合游戏场景以及客户财富等更多维度对游戏客户进行客户价值的计算。此外,因游戏客户存在较多的线上分享行为,这种行为能很好的帮助活动的宣传及获客,该行为多的客户也是潜在的KOC(Key Opinion Consumer,关键意见消费者)客户,存在很高的传播价值,所以传播分享等行为也会作为一部分客户价值的计算。
综上,现有的客户价值计算方法存在维度单一、准确性差的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种银行游戏客群中客户价值的计算方法、装置和电子设备,以缓解现有的客户价值计算方法计算维度单一、准确性差的技术问题。
第一方面,本发明实施例提供了一种银行游戏客群中客户价值的计算方法,包括:
获取银行客户的消费数据和潜力P值,并对所述消费数据进行三级游戏分类,得到所述消费数据的三级游戏分类结果;
根据所述三级游戏分类结果和所述消费数据计算对应的银行客户的GRFM分值;
基于银行客户的画像数据和行为数据构建银行游戏客群图谱,其中,所述银行游戏客群图谱中,节点表示银行客户或三级游戏兴趣,边表示银行客户之间的关系,或,银行客户与三级游戏兴趣之间的关系;
将所述GRFM分值不为0的目标银行客户作为种子客户,并利用SimRank算法计算所述银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,进而将所述图谱相似度作为银行客户之间的MGM潜力分;
基于各所述银行客户的GRFM分值、所述银行客户之间的MGM潜力分和各所述银行客户的潜力P值进行各所述银行客户的综合价值分的计算,并将各所述银行客户的综合价值分作为各所述银行客户的客户价值,以使线下业务人员根据各所述银行客户的客户价值进行营销,其中,所述综合价值分的计算中包含带有调整系数的第一加权计算,所述带有调整系数的第一加权计算的权重和所述调整系数为预先设定的。
进一步的,所述方法还包括:
根据营销结果更新所述银行游戏客群图谱中的种子客户,并将更新的种子客户与其它种子客户之间的平均MGM潜力分设置为1;
利用SimRank算法计算更新的银行游戏客群图谱中的除更新的种子客户的其它全量银行客户与每一种子客户的新图谱相似度,进而将新图谱相似度作为银行客户之间的新MGM潜力分;
基于各所述银行客户的GRFM分值、所述银行客户之间的新MGM潜力分、更新的种子客户的与其它种子客户之间的平均MGM潜力分和各所述银行客户的潜力P值进行各所述银行客户的新综合价值分的计算,并将各所述银行客户的新综合价值分作为各所述银行客户的新客户价值,以使线下业务人员根据各所述银行客户的新客户价值进行营销,返回执行根据营销结果更新所述银行游戏客群图谱中的种子客户的步骤,其中,所述新综合价值分的计算中包含带有调整系数的第二加权计算,所述带有调整系数的第二加权计算的权重和所述调整系数为根据所述营销结果进行调整后得到的。
进一步的,对所述消费数据进行三级游戏分类,包括:
利用预设关键词规则对所述消费数据进行三级游戏分类,得到所述消费数据的三级游戏分类结果。
进一步的,根据所述三级游戏分类结果和所述消费数据计算对应的银行客户的GRFM分值,包括:
根据所述银行客户的消费数据分别计算三级游戏类别的RFM值;
对所述三级游戏类别的RFM值进行加权计算,得到对应的银行客户的GRFM分值。
进一步的,根据所述银行客户的消费数据分别计算三级游戏类别的RFM值,包括:
确定各所述银行客户的目标游戏类别的R值、F值和M值,其中,所述目标游戏类别为所述三级游戏类别中的任一游戏类别;
将各所述银行客户的目标游戏类别的R值进行分箱操作、各所述银行客户的目标游戏类别的F值进行分箱操作、各所述银行客户的目标游戏类别的M值进行分箱操作,得到各所述银行客户的目标游戏类别的分箱操作后的R值、分箱操作后的F值和分箱操作后的M值;
对各所述银行客户的目标游戏类别的所述分箱操作后的R值、所述分箱操作后的F值和所述分箱操作后的M值进行加权计算,得到各所述银行客户的目标游戏类别的RFM值。
进一步的,基于各所述银行客户的GRFM分值、所述银行客户之间的MGM潜力分和各所述银行客户的潜力P值进行各所述银行客户的综合价值分的计算,包括:
计算当前银行客户与所述银行游戏客群图谱中的各种子客户之间的平均MGM潜力分,其中,所述当前银行客户为所述银行游戏客群图谱中的任一银行客户;
对所述当前银行客户的GRFM分值、所述当前银行客户与所述银行游戏客群图谱中的各种子客户之间的平均MGM潜力分和所述当前银行客户的潜力P值进行归一化处理,得到所述当前银行客户的归一化后的GRFM分值、所述当前银行客户与所述银行游戏客群图谱中的各种子客户之间的归一化后的平均MGM潜力分和所述当前银行客户的归一化后的潜力P值;
根据综合价值分计算算式:综合价值总分 = α×(归一化后的GRFM分值 + 归一化后的平均MGM潜力分)+ β×归一化后的潜力P值+b计算各所述银行客户的初始综合价值分,其中,α、β表示预先设定的权重,b表示所述调整系数;
采用Sigmoid函数对各所述银行客户的初始综合价值分进行处理,得到各所述银行客户的综合价值分。
第二方面,本发明实施例还提供了一种银行游戏客群中客户价值的计算装置,包括:
获取和三级游戏分类单元,用于获取银行客户的消费数据和潜力P值,并对所述消费数据进行三级游戏分类,得到所述消费数据的三级游戏分类结果;
第一计算单元,用于根据所述三级游戏分类结果和所述消费数据计算对应的银行客户的GRFM分值;
构建单元,用于基于银行客户的画像数据和行为数据构建银行游戏客群图谱,其中,所述银行游戏客群图谱中,节点表示银行客户或三级游戏兴趣,边表示银行客户之间的关系,或,银行客户与三级游戏兴趣之间的关系;
第二计算单元,用于将所述GRFM分值不为0的目标银行客户作为种子客户,并利用SimRank算法计算所述银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,进而将所述图谱相似度作为银行客户之间的MGM潜力分;
综合价值分计算单元,用于基于各所述银行客户的GRFM分值、所述银行客户之间的MGM潜力分和各所述银行客户的潜力P值进行各所述银行客户的综合价值分的计算,并将各所述银行客户的综合价值分作为各所述银行客户的客户价值,以使线下业务人员根据各所述银行客户的客户价值进行营销,其中,所述综合价值分的计算中包含带有调整系数的第一加权计算,所述带有调整系数的第一加权计算的权重和所述调整系数为预先设定的。
进一步的,所述装置还用于:
根据营销结果更新所述银行游戏客群图谱中的种子客户,并将更新的种子客户与其它种子客户之间的平均MGM潜力分设置为1;
利用SimRank算法计算更新的银行游戏客群图谱中的除更新的种子客户的其它全量银行客户与每一种子客户的新图谱相似度,进而将新图谱相似度作为银行客户之间的新MGM潜力分;
基于各所述银行客户的GRFM分值、所述银行客户之间的新MGM潜力分、更新的种子客户的与其它种子客户之间的平均MGM潜力分和各所述银行客户的潜力P值进行各所述银行客户的新综合价值分的计算,并将各所述银行客户的新综合价值分作为各所述银行客户的新客户价值,以使线下业务人员根据各所述银行客户的新客户价值进行营销,返回执行根据营销结果更新所述银行游戏客群图谱中的种子客户的步骤,其中,所述新综合价值分的计算中包含带有调整系数的第二加权计算,所述带有调整系数的第二加权计算的权重和所述调整系数为根据所述营销结果进行调整后得到的。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有机器可运行指令,所述机器可运行指令在被处理器调用和运行时,所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中,提供了一种银行游戏客群中客户价值的计算方法,包括:获取银行客户的消费数据和潜力P值,并对消费数据进行三级游戏分类,得到消费数据的三级游戏分类结果;根据三级游戏分类结果和消费数据计算对应的银行客户的GRFM分值;基于银行客户的画像数据和行为数据构建银行游戏客群图谱,其中,银行游戏客群图谱中,节点表示银行客户或三级游戏兴趣,边表示银行客户之间的关系,或,银行客户与三级游戏兴趣之间的关系;将GRFM分值不为0的目标银行客户作为种子客户,并利用SimRank算法计算银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,进而将图谱相似度作为银行客户之间的MGM潜力分;基于各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值进行各银行客户的综合价值分的计算,并将各银行客户的综合价值分作为各银行客户的客户价值,以使线下业务人员根据各银行客户的客户价值进行营销,其中,综合价值分的计算中包含带有调整系数的第一加权计算,带有调整系数的第一加权计算的权重和调整系数为预先设定的。通过上述描述可知,本发明的银行游戏客群中客户价值的计算方法中,各银行客户的客户价值综合了各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值,其中,各银行客户的GRFM分值是根据三级游戏分类结果计算得到的,也就是GRFM分值体现了游戏场景,银行客户之间的MGM潜力分体现了银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,也就是银行客户之间的MGM潜力分考虑了银行客户之间的传播分享,而各银行客户的潜力P值体现了银行客户的财富,即本发明的客户价值是从游戏场景、传播分享和财富三个维度计算得到的,考虑的维度更加丰富,能够体现不同银行客户在游戏场景下的差异,最终计算得到的各银行客户的客户价值更加准确,使得线下业务人员能够实现针对性的客群经营,缓解了现有的客户价值计算方法计算维度单一、准确性差的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种银行游戏客群中客户价值的计算方法的流程图;
图2为本发明实施例提供的一种银行游戏客群中客户价值的计算装置的示意图;
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前传统的银行客户分群方式是基于客户资产财富等级这一单一维度进行的,这样的单一维度分群方式无法体现游戏客户在游戏场景下的差异,导致无法实现针对性的客群经营。
基于此,本发明的银行游戏客群中客户价值的计算方法中,各银行客户的客户价值综合了各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值,其中,各银行客户的GRFM分值是根据三级游戏分类结果计算得到的,也就是GRFM分值体现了游戏场景,银行客户之间的MGM潜力分体现了银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,也就是银行客户之间的MGM潜力分考虑了银行客户之间的传播分享,而各银行客户的潜力P值体现了银行客户的财富,即本发明的客户价值是从游戏场景、传播分享和财富三个维度计算得到的,考虑的维度更加丰富,能够体现不同银行客户在游戏场景下的差异,最终计算得到的各银行客户的客户价值更加准确,使得线下业务人员能够实现针对性的客群经营。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种银行游戏客群中客户价值的计算方法进行详细介绍。
实施例一:
根据本发明实施例,提供了一种银行游戏客群中客户价值的计算方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种银行游戏客群中客户价值的计算方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取银行客户的消费数据和潜力P值,并对消费数据进行三级游戏分类,得到消费数据的三级游戏分类结果;
在本发明实施例中,上述消费数据包括:消费时间、消费商家、消费类型、消费名称等字段,上述潜力P值根据客户在银行的资产、房产车辆、证券贷款等利用模型计算得到的客户可投资产,是银行已经有的数据,在本发明中,可以直接获取得到。
上述三级游戏分类结果中所包含的三级游戏类别分别为:第一级游戏类别为泛游戏,第二级游戏类别为MOBA类游戏、经营类游戏、休闲类游戏、游戏设备、游戏周边等,第三级游戏类别为具体的游戏名称。例如,王者荣耀的三级游戏分类结果为“泛游戏-MOBA类游戏-王者荣耀”。
步骤S104,根据三级游戏分类结果和消费数据计算对应的银行客户的GRFM分值;
上述银行客户的GRFM分值为构建闭环客户价值评估流程的冷启动所需,用于表征银行客户对三级游戏类别的消费情况,如果一个银行客户对王者荣耀有消费,那么该银行客户的GRFM分值不为0,如果一个银行客户对所有游戏都没有消费,那么该银行客户的GRFM分值为0。
步骤S106,基于银行客户的画像数据和行为数据构建银行游戏客群图谱,其中,银行游戏客群图谱中,节点表示银行客户或三级游戏兴趣,边表示银行客户之间的关系,或,银行客户与三级游戏兴趣之间的关系;
具体的,上述三级游戏兴趣具体是指步骤S102中的三级游戏类别,如泛游戏是银行游戏客群图谱中的一个三级游戏兴趣节点,MOBA类游戏也是银行游戏客群图谱中的一个三级游戏兴趣节点,王者荣耀还是银行游戏客群图谱中的一个三级游戏兴趣节点。
如果一个银行客户对一个三级游戏兴趣节点有消费,那么该银行客户与该三级游戏兴趣节点存在边,也就是说银行客户与三级游戏兴趣之间的边表示消费关系,如果银行客户之间存在自然关系(如亲属关系)、转账关系等,那么该银行客户之间存在边,也就是说银行客户之间的边表示自然关系(如亲属关系)、转账关系等。
步骤S108,将GRFM分值不为0的目标银行客户作为种子客户,并利用SimRank算法计算银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,进而将图谱相似度作为银行客户之间的MGM潜力分;
具体的,SimRank算法中,以银行客户的节点和三级游戏兴趣的节点构建用户-兴趣二部图。
其中,C表示衰减系数,Ii(a),Ij(b)表示集合a、b的入度数。
步骤S110,基于各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值进行各银行客户的综合价值分的计算,并将各银行客户的综合价值分作为各银行客户的客户价值,以使线下业务人员根据各银行客户的客户价值进行营销,其中,综合价值分的计算中包含带有调整系数的第一加权计算,带有调整系数的第一加权计算的权重和调整系数为预先设定的。
具体的,A银行客户的综合价值分是基于A银行客户的GRFM分值、A银行客户与其它种子客户之间的MGM潜力分和A银行客户的潜力P值进行综合价值分的计算得到的。
在线下应用时,将计算得到的各银行客户的客户价值按照从大到小的降序排列,进而分发给线下业务同事进行相应的业务运营,如,A银行客户有王者荣耀的客户价值,说明A银行客户有可能去办王者荣耀相关的业务,就会给A银行客户推荐这方面的业务。
在本发明实施例中,提供了一种银行游戏客群中客户价值的计算方法,包括:获取银行客户的消费数据和潜力P值,并对消费数据进行三级游戏分类,得到消费数据的三级游戏分类结果;根据三级游戏分类结果和消费数据计算对应的银行客户的GRFM分值;基于银行客户的画像数据和行为数据构建银行游戏客群图谱,其中,银行游戏客群图谱中,节点表示银行客户或三级游戏兴趣,边表示银行客户之间的关系,或,银行客户与三级游戏兴趣之间的关系;将GRFM分值不为0的目标银行客户作为种子客户,并利用SimRank算法计算银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,进而将图谱相似度作为银行客户之间的MGM潜力分;基于各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值进行各银行客户的综合价值分的计算,并将各银行客户的综合价值分作为各银行客户的客户价值,以使线下业务人员根据各银行客户的客户价值进行营销,其中,综合价值分的计算中包含带有调整系数的第一加权计算,带有调整系数的第一加权计算的权重和调整系数为预先设定的。通过上述描述可知,本发明的银行游戏客群中客户价值的计算方法中,各银行客户的客户价值综合了各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值,其中,各银行客户的GRFM分值是根据三级游戏分类结果计算得到的,也就是GRFM分值体现了游戏场景,银行客户之间的MGM潜力分体现了银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,也就是银行客户之间的MGM潜力分考虑了银行客户之间的传播分享,而各银行客户的潜力P值体现了银行客户的财富,即本发明的客户价值是从游戏场景、传播分享和财富三个维度计算得到的,考虑的维度更加丰富,能够体现不同银行客户在游戏场景下的差异,最终计算得到的各银行客户的客户价值更加准确,使得线下业务人员能够实现针对性的客群经营,缓解了现有的客户价值计算方法计算维度单一、准确性差的技术问题。
上述内容对本发明的银行游戏客群中客户价值的计算方法进行了简要介绍,下面对其中涉及到的具体内容进行详细描述。
在本发明的一个可选实施例中,该方法还包括:
(1)根据营销结果更新银行游戏客群图谱中的种子客户,并将更新的种子客户与其它种子客户之间的平均MGM潜力分设置为1;
具体的,在进行线下应用后,进行线下评估,以业务kpi为指标,例如,经过营销后,银行客户是否开户,只需业务人员标注出运营过的银行客户是否开户的二分类标签(是或者否)即可,该银行客户是否开户的二分类标签即为营销结果。
如果一个银行客户经过营销后,进行了开户,那么该银行客户即为种子客户,并将该种子客户与其它种子客户之间的平均MGM潜力分设置为1,该种子客户的GRFM分值仍为0,因为其未进行过消费,如果其进行了消费,那么需要重新计算其GRFM分值,计算过程与上述步骤S104中的计算对应的银行客户的GRFM分值的过程相似,下文中再具体介绍,在此不再赘述。
(2)利用SimRank算法计算更新的银行游戏客群图谱中的除更新的种子客户的其它全量银行客户与每一种子客户的新图谱相似度,进而将新图谱相似度作为银行客户之间的新MGM潜力分;
具体的,计算新图谱相似度的过程与上述步骤S108中的计算图谱相似度的过程相似,在此不再赘述。
(3)基于各银行客户的GRFM分值、银行客户之间的新MGM潜力分、更新的种子客户的与其它种子客户之间的平均MGM潜力分和各银行客户的潜力P值进行各银行客户的新综合价值分的计算,并将各银行客户的新综合价值分作为各银行客户的新客户价值,以使线下业务人员根据各银行客户的新客户价值进行营销,返回执行根据营销结果更新银行游戏客群图谱中的种子客户的步骤,其中,新综合价值分的计算中包含带有调整系数的第二加权计算,带有调整系数的第二加权计算的权重和调整系数为根据营销结果进行调整后得到的。
具体的,计算当前银行客户与更新的银行游戏客群图谱中的各种子客户之间的新平均MGM潜力分,其中,当前银行客户为更新的银行游戏客群图谱中的除更新的种子客户的其它任一银行客户;对当前银行客户的GRFM分值、当前银行客户与更新的银行游戏客群图谱中的各种子客户之间的新平均MGM潜力分和当前银行客户的潜力P值进行归一化处理,得到当前银行客户的归一化后的GRFM分值、当前银行客户与更新的银行游戏客群图谱中的各种子客户之间的新平均MGM潜力分和当前银行客户的归一化后的潜力P值;进而按照下述算式进行每个银行客户的初始新客户价值的计算:新综合价值分 = α×(归一化后的GRFM分值 + 归一化后的新平均MGM潜力分)+ β×归一化后的潜力P值+b,α、β、b为根据营销结果进行调整后得到的;最后,采用Sigmoid函数使各银行客户的初始新综合价值分输出在[0,1]之间。
具体的,以运营同事的二分类标注为训练数据,根据逻辑回归的方法,重新计算综合价值分中的α、β、b的数值,以交叉熵函数为目标函数,采用梯度下降的方法迭代更新α、β、b。
可见,本发明的计算方法是根据线下应用的情况不断迭代更新客户价值计算算式中的权重的,能够使得计算得到的客户价值更加准确。
在本发明的一个可选实施例中,上述步骤S102,对消费数据进行三级游戏分类,具体包括如下步骤:
利用预设关键词规则对消费数据进行三级游戏分类,得到消费数据的三级游戏分类结果。
在本发明的一个可选实施例中,上述步骤S104,根据三级游戏分类结果和消费数据计算对应的银行客户的GRFM分值,具体包括如下步骤:
(1)根据银行客户的消费数据分别计算三级游戏类别的RFM值;
具体包括如下过程:
(11)确定各银行客户的目标游戏类别的R值、F值和M值,其中,目标游戏类别为三级游戏类别中的任一游戏类别;
下面以王者荣耀游戏类别为例进行说明:
先确定各银行客户的王者荣耀的R值、F值和M值。
其中,R(Rencency)值:当前日期-最近一次消费日期;
F(Frequency)值:银行客户近一年的消费频次;
M(Monetary)值:银行客户近一年的消费总额。
(12)将各银行客户的目标游戏类别的R值进行分箱操作、各银行客户的目标游戏类别的F值进行分箱操作、各银行客户的目标游戏类别的M值进行分箱操作,得到各银行客户的目标游戏类别的分箱操作后的R值、分箱操作后的F值和分箱操作后的M值;
具体的,将RFM三个值分别进行分箱操作,分别分成[1,10]共10个分段,这样可以将连续型数值变为标签型数值。其中R值越小越接近10、F值和M值越高越接近10。
(13)对各银行客户的目标游戏类别的分箱操作后的R值、分箱操作后的F值和分箱操作后的M值进行加权计算,得到各银行客户的目标游戏类别的RFM值。
具体的,王者荣耀的RFM值=6×分箱操作后的R值 + 2×分箱操作后的F值 + 2×分箱操作后的M值。
上述权重为业务人员根据历史数据凭经验预先设定的,不会随着迭代更新而调整。
(2)对三级游戏类别的RFM值进行加权计算,得到对应的银行客户的GRFM分值。
具体的,对于王者荣耀来说,对应的银行客户的GRFM分值=1×王者荣耀的RFM值+1×MOBA类游戏的RFM 值+ 0.5×泛游戏的RFM 值。
上述权重为业务人员根据历史数据凭经验预先设定的,不会随着迭代更新而调整。
在本发明的一个可选实施例中,上述步骤S110,基于各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值进行各银行客户的综合价值分的计算,具体包括如下步骤:
(1)计算当前银行客户与银行游戏客群图谱中的各种子客户之间的平均MGM潜力分,其中,当前银行客户为银行游戏客群图谱中的任一银行客户;
(2)对当前银行客户的GRFM分值、当前银行客户与银行游戏客群图谱中的各种子客户之间的平均MGM潜力分和当前银行客户的潜力P值进行归一化处理,得到当前银行客户的归一化后的GRFM分值、当前银行客户与银行游戏客群图谱中的各种子客户之间的归一化后的平均MGM潜力分和当前银行客户的归一化后的潜力P值;
(3)根据综合价值分计算算式:综合价值总分 = α×(归一化后的GRFM分值 + 归一化后的平均MGM潜力分)+ β×归一化后的潜力P值+b计算各银行客户的初始综合价值分,其中,α、β表示预先设定的权重,b表示调整系数。
具体的,(GRFM分值 + 平均MGM潜力分)统称为兴趣值,α、β冷启动时为1、1,b冷启动时为0,α、β即预先设定的权重为1、1。
(4)采用Sigmoid函数对各银行客户的初始综合价值分进行处理,得到各银行客户的综合价值分。
具体的,采用Sigmoid函数使各银行客户的初始综合价值分输出在[0,1]之间,并且防止迭代的时候导致梯度消失问题。
Sigmoid函数为:S(Y)=1/(1+eY),Y表示银行客户的初始综合价值分。
在实际应用时,一般采用AUC指标评估计算的各银行客户的综合价值分(即各银行客户的客户价值)的准确性,具体的:
其中,表示正样本和负样本集合对,P表示正样本数量,N为负样本数量,p表示银行客户的综合价值分。
例如,线下的结果为:
正负样本对为:(A,C)(A,D)(A,E)(B,C)(B,D)(B,E),。
可见,上述结果的准确率为75%,根据该指标可以确定该方案是否可以在实际中进行应用。
本发明的银行游戏客群中客户价值的计算方法是以GRFM分值、MGM潜力分和潜力P值来判断客户价值的,应用图谱关联出更多价值客户,线上线下联动形成更新迭代闭环,螺旋阶梯式地更精准、实时判断游戏客群的客户价值;客群客户价值分数的计算除了能帮助总行、线下队伍识别客户潜力,从而进行精准营销,还可以运用在游戏客群图谱中,以客户价值为客户节点的一个属性,能更好地进行客户关系计算等知识推理。
实施例二:
本发明实施例还提供了一种银行游戏客群中客户价值的计算装置,该银行游戏客群中客户价值的计算装置主要用于执行本发明实施例一中所提供的银行游戏客群中客户价值的计算方法,以下对本发明实施例提供的银行游戏客群中客户价值的计算装置做具体介绍。
图2是根据本发明实施例的一种银行游戏客群中客户价值的计算装置的示意图,如图2所示,该装置主要包括:获取和三级游戏分类单元10、第一计算单元20、构建单元30、第二计算单元40和综合价值分计算单元50,其中:
获取和三级游戏分类单元,用于获取银行客户的消费数据和潜力P值,并对消费数据进行三级游戏分类,得到消费数据的三级游戏分类结果;
第一计算单元,用于根据三级游戏分类结果和消费数据计算对应的银行客户的GRFM分值;
构建单元,用于基于银行客户的画像数据和行为数据构建银行游戏客群图谱,其中,银行游戏客群图谱中,节点表示银行客户或三级游戏兴趣,边表示银行客户之间的关系,或,银行客户与三级游戏兴趣之间的关系;
第二计算单元,用于将GRFM分值不为0的目标银行客户作为种子客户,并利用SimRank算法计算银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,进而将图谱相似度作为银行客户之间的MGM潜力分;
综合价值分计算单元,用于基于各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值进行各银行客户的综合价值分的计算,并将各银行客户的综合价值分作为各银行客户的客户价值,以使线下业务人员根据各银行客户的客户价值进行营销,其中,综合价值分的计算中包含带有调整系数的第一加权计算,带有调整系数的第一加权计算的权重和调整系数为预先设定的。
在本发明实施例中,提供了一种银行游戏客群中客户价值的计算装置,包括:获取银行客户的消费数据和潜力P值,并对消费数据进行三级游戏分类,得到消费数据的三级游戏分类结果;根据三级游戏分类结果和消费数据计算对应的银行客户的GRFM分值;基于银行客户的画像数据和行为数据构建银行游戏客群图谱,其中,银行游戏客群图谱中,节点表示银行客户或三级游戏兴趣,边表示银行客户之间的关系,或,银行客户与三级游戏兴趣之间的关系;将GRFM分值不为0的目标银行客户作为种子客户,并利用SimRank算法计算银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,进而将图谱相似度作为银行客户之间的MGM潜力分;基于各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值进行各银行客户的综合价值分的计算,并将各银行客户的综合价值分作为各银行客户的客户价值,以使线下业务人员根据各银行客户的客户价值进行营销,其中,综合价值分的计算中包含带有调整系数的第一加权计算,带有调整系数的第一加权计算的权重和调整系数为预先设定的。通过上述描述可知,本发明的银行游戏客群中客户价值的计算方法中,各银行客户的客户价值综合了各银行客户的GRFM分值、银行客户之间的MGM潜力分和各银行客户的潜力P值,其中,各银行客户的GRFM分值是根据三级游戏分类结果计算得到的,也就是GRFM分值体现了游戏场景,银行客户之间的MGM潜力分体现了银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,也就是银行客户之间的MGM潜力分考虑了银行客户之间的传播分享,而各银行客户的潜力P值体现了银行客户的财富,即本发明的客户价值是从游戏场景、传播分享和财富三个维度计算得到的,考虑的维度更加丰富,能够体现不同银行客户在游戏场景下的差异,最终计算得到的各银行客户的客户价值更加准确,使得线下业务人员能够实现针对性的客群经营,缓解了现有的客户价值计算方法计算维度单一、准确性差的技术问题。
可选地,该装置还用于:根据营销结果更新银行游戏客群图谱中的种子客户,并将更新的种子客户与其它种子客户之间的平均MGM潜力分设置为1;利用SimRank算法计算更新的银行游戏客群图谱中的除更新的种子客户的其它全量银行客户与每一种子客户的新图谱相似度,进而将新图谱相似度作为银行客户之间的新MGM潜力分;基于各银行客户的GRFM分值、银行客户之间的新MGM潜力分、更新的种子客户的与其它种子客户之间的平均MGM潜力分和各银行客户的潜力P值进行各银行客户的新综合价值分的计算,并将各银行客户的新综合价值分作为各银行客户的新客户价值,以使线下业务人员根据各银行客户的新客户价值进行营销,返回执行根据营销结果更新银行游戏客群图谱中的种子客户的步骤,其中,新综合价值分的计算中包含带有调整系数的第二加权计算,带有调整系数的第二加权计算的权重和调整系数为根据营销结果进行调整后得到的。
可选地,获取和三级游戏分类单元还用于:利用预设关键词规则对消费数据进行三级游戏分类,得到消费数据的三级游戏分类结果。
可选地,第一计算单元还用于:根据银行客户的消费数据分别计算三级游戏类别的RFM值;对三级游戏类别的RFM值进行加权计算,得到对应的银行客户的GRFM分值。
可选地,第一计算单元还用于:确定各银行客户的目标游戏类别的R值、F值和M值,其中,目标游戏类别为三级游戏类别中的任一游戏类别;将各银行客户的目标游戏类别的R值进行分箱操作、各银行客户的目标游戏类别的F值进行分箱操作、各银行客户的目标游戏类别的M值进行分箱操作,得到各银行客户的目标游戏类别的分箱操作后的R值、分箱操作后的F值和分箱操作后的M值;对各银行客户的目标游戏类别的分箱操作后的R值、分箱操作后的F值和分箱操作后的M值进行加权计算,得到各银行客户的目标游戏类别的RFM值。
可选地,综合价值分计算单元还用于:计算当前银行客户与银行游戏客群图谱中的各种子客户之间的平均MGM潜力分,其中,当前银行客户为银行游戏客群图谱中的任一银行客户;对当前银行客户的GRFM分值、当前银行客户与银行游戏客群图谱中的各种子客户之间的平均MGM潜力分和当前银行客户的潜力P值进行归一化处理,得到当前银行客户的归一化后的GRFM分值、当前银行客户与银行游戏客群图谱中的各种子客户之间的归一化后的平均MGM潜力分和当前银行客户的归一化后的潜力P值;根据综合价值分计算算式:综合价值总分 = α×(归一化后的GRFM分值 + 归一化后的平均MGM潜力分)+ β×归一化后的潜力P值+b计算各银行客户的初始综合价值分,其中,α、β表示预先设定的权重,b表示调整系数;采用Sigmoid函数对各银行客户的初始综合价值分进行处理,得到各银行客户的综合价值分。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
如图3所示,本申请实施例提供的一种电子设备600,包括:处理器601、存储器602和总线,所述存储器602存储有所述处理器601可执行的机器可读指令,当电子设备运行时,所述处理器601与所述存储器602之间通过总线通信,所述处理器601执行所述机器可读指令,以执行如上述银行游戏客群中客户价值的计算方法的步骤。
具体地,上述存储器602和处理器601能够为通用的存储器和处理器,这里不做具体限定,当处理器601运行存储器602存储的计算机程序时,能够执行上述银行游戏客群中客户价值的计算方法。
处理器601可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602,处理器601读取存储器602中的信息,结合其硬件完成上述方法的步骤。
对应于上述银行游戏客群中客户价值的计算方法,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行上述银行游戏客群中客户价值的计算方法的步骤。
本申请实施例所提供的银行游戏客群中客户价值的计算装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
再例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述车辆标记方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种银行游戏客群中客户价值的计算方法,其特征在于,包括:
获取银行客户的消费数据和潜力P值,并对所述消费数据进行三级游戏分类,得到所述消费数据的三级游戏分类结果;
根据所述三级游戏分类结果和所述消费数据计算对应的银行客户的GRFM分值;
基于银行客户的画像数据和行为数据构建银行游戏客群图谱,其中,所述银行游戏客群图谱中,节点表示银行客户或三级游戏兴趣,边表示银行客户之间的关系,或,银行客户与三级游戏兴趣之间的关系;
将所述GRFM分值不为0的目标银行客户作为种子客户,并利用SimRank算法计算所述银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,进而将所述图谱相似度作为银行客户之间的MGM潜力分;
基于各所述银行客户的GRFM分值、所述银行客户之间的MGM潜力分和各所述银行客户的潜力P值进行各所述银行客户的综合价值分的计算,并将各所述银行客户的综合价值分作为各所述银行客户的客户价值,以使线下业务人员根据各所述银行客户的客户价值进行营销,其中,所述综合价值分的计算中包含带有调整系数的第一加权计算,所述带有调整系数的第一加权计算的权重和所述调整系数为预先设定的。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据营销结果更新所述银行游戏客群图谱中的种子客户,并将更新的种子客户与其它种子客户之间的平均MGM潜力分设置为1;
利用SimRank算法计算更新的银行游戏客群图谱中的除更新的种子客户的其它全量银行客户与每一种子客户的新图谱相似度,进而将新图谱相似度作为银行客户之间的新MGM潜力分;
基于各所述银行客户的GRFM分值、所述银行客户之间的新MGM潜力分、更新的种子客户的与其它种子客户之间的平均MGM潜力分和各所述银行客户的潜力P值进行各所述银行客户的新综合价值分的计算,并将各所述银行客户的新综合价值分作为各所述银行客户的新客户价值,以使线下业务人员根据各所述银行客户的新客户价值进行营销,返回执行根据营销结果更新所述银行游戏客群图谱中的种子客户的步骤,其中,所述新综合价值分的计算中包含带有调整系数的第二加权计算,所述带有调整系数的第二加权计算的权重和所述调整系数为根据所述营销结果进行调整后得到的。
3.根据权利要求1所述的方法,其特征在于,对所述消费数据进行三级游戏分类,包括:
利用预设关键词规则对所述消费数据进行三级游戏分类,得到所述消费数据的三级游戏分类结果。
4.根据权利要求1所述的方法,其特征在于,根据所述三级游戏分类结果和所述消费数据计算对应的银行客户的GRFM分值,包括:
根据所述银行客户的消费数据分别计算三级游戏类别的RFM值;
对所述三级游戏类别的RFM值进行加权计算,得到对应的银行客户的GRFM分值。
5.根据权利要求4所述的方法,其特征在于,根据所述银行客户的消费数据分别计算三级游戏类别的RFM值,包括:
确定各所述银行客户的目标游戏类别的R值、F值和M值,其中,所述目标游戏类别为所述三级游戏类别中的任一游戏类别;
将各所述银行客户的目标游戏类别的R值进行分箱操作、各所述银行客户的目标游戏类别的F值进行分箱操作、各所述银行客户的目标游戏类别的M值进行分箱操作,得到各所述银行客户的目标游戏类别的分箱操作后的R值、分箱操作后的F值和分箱操作后的M值;
对各所述银行客户的目标游戏类别的所述分箱操作后的R值、所述分箱操作后的F值和所述分箱操作后的M值进行加权计算,得到各所述银行客户的目标游戏类别的RFM值。
6.根据权利要求1所述的方法,其特征在于,基于各所述银行客户的GRFM分值、所述银行客户之间的MGM潜力分和各所述银行客户的潜力P值进行各所述银行客户的综合价值分的计算,包括:
计算当前银行客户与所述银行游戏客群图谱中的各种子客户之间的平均MGM潜力分,其中,所述当前银行客户为所述银行游戏客群图谱中的任一银行客户;
对所述当前银行客户的GRFM分值、所述当前银行客户与所述银行游戏客群图谱中的各种子客户之间的平均MGM潜力分和所述当前银行客户的潜力P值进行归一化处理,得到所述当前银行客户的归一化后的GRFM分值、所述当前银行客户与所述银行游戏客群图谱中的各种子客户之间的归一化后的平均MGM潜力分和所述当前银行客户的归一化后的潜力P值;
根据综合价值分计算算式:综合价值总分 = α×(归一化后的GRFM分值 + 归一化后的平均MGM潜力分)+ β×归一化后的潜力P值+b计算各所述银行客户的初始综合价值分,其中,α、β表示预先设定的权重,b表示所述调整系数;
采用Sigmoid函数对各所述银行客户的初始综合价值分进行处理,得到各所述银行客户的综合价值分。
7.一种银行游戏客群中客户价值的计算装置,其特征在于,包括:
获取和三级游戏分类单元,用于获取银行客户的消费数据和潜力P值,并对所述消费数据进行三级游戏分类,得到所述消费数据的三级游戏分类结果;
第一计算单元,用于根据所述三级游戏分类结果和所述消费数据计算对应的银行客户的GRFM分值;
构建单元,用于基于银行客户的画像数据和行为数据构建银行游戏客群图谱,其中,所述银行游戏客群图谱中,节点表示银行客户或三级游戏兴趣,边表示银行客户之间的关系,或,银行客户与三级游戏兴趣之间的关系;
第二计算单元,用于将所述GRFM分值不为0的目标银行客户作为种子客户,并利用SimRank算法计算所述银行游戏客群图谱中的全量银行客户与每一种子客户的图谱相似度,进而将所述图谱相似度作为银行客户之间的MGM潜力分;
综合价值分计算单元,用于基于各所述银行客户的GRFM分值、所述银行客户之间的MGM潜力分和各所述银行客户的潜力P值进行各所述银行客户的综合价值分的计算,并将各所述银行客户的综合价值分作为各所述银行客户的客户价值,以使线下业务人员根据各所述银行客户的客户价值进行营销,其中,所述综合价值分的计算中包含带有调整系数的第一加权计算,所述带有调整系数的第一加权计算的权重和所述调整系数为预先设定的。
8.根据权利要求7所述的装置,其特征在于,所述装置还用于:
根据营销结果更新所述银行游戏客群图谱中的种子客户,并将更新的种子客户与其它种子客户之间的平均MGM潜力分设置为1;
利用SimRank算法计算更新的银行游戏客群图谱中的除更新的种子客户的其它全量银行客户与每一种子客户的新图谱相似度,进而将新图谱相似度作为银行客户之间的新MGM潜力分;
基于各所述银行客户的GRFM分值、所述银行客户之间的新MGM潜力分、更新的种子客户的与其它种子客户之间的平均MGM潜力分和各所述银行客户的潜力P值进行各所述银行客户的新综合价值分的计算,并将各所述银行客户的新综合价值分作为各所述银行客户的新客户价值,以使线下业务人员根据各所述银行客户的新客户价值进行营销,返回执行根据营销结果更新所述银行游戏客群图谱中的种子客户的步骤,其中,所述新综合价值分的计算中包含带有调整系数的第二加权计算,所述带有调整系数的第二加权计算的权重和所述调整系数为根据所述营销结果进行调整后得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有机器可运行指令,所述机器可运行指令在被处理器调用和运行时,所述机器可运行指令促使所述处理器运行上述权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310699886.2A CN116452313B (zh) | 2023-06-14 | 2023-06-14 | 银行游戏客群中客户价值的计算方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310699886.2A CN116452313B (zh) | 2023-06-14 | 2023-06-14 | 银行游戏客群中客户价值的计算方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452313A true CN116452313A (zh) | 2023-07-18 |
CN116452313B CN116452313B (zh) | 2023-09-19 |
Family
ID=87125969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310699886.2A Active CN116452313B (zh) | 2023-06-14 | 2023-06-14 | 银行游戏客群中客户价值的计算方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452313B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017167115A1 (zh) * | 2016-03-31 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 用户评价方法、装置及设备 |
CN112989059A (zh) * | 2019-12-17 | 2021-06-18 | 中国移动通信集团浙江有限公司 | 潜在客户识别方法及装置、设备及可读计算机存储介质 |
CN113449163A (zh) * | 2021-06-29 | 2021-09-28 | 平安养老保险股份有限公司 | 基于人工智能的客户挖掘方法、装置、设备及存储介质 |
CN115186099A (zh) * | 2022-05-31 | 2022-10-14 | 民生科技有限责任公司 | 一种基于多维度构建知识图谱的对公营销方法和系统 |
CN116012060A (zh) * | 2022-12-05 | 2023-04-25 | 中信银行股份有限公司 | 一种客户亲密度计算方法、装置、设备及可读存储介质 |
-
2023
- 2023-06-14 CN CN202310699886.2A patent/CN116452313B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017167115A1 (zh) * | 2016-03-31 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 用户评价方法、装置及设备 |
CN112989059A (zh) * | 2019-12-17 | 2021-06-18 | 中国移动通信集团浙江有限公司 | 潜在客户识别方法及装置、设备及可读计算机存储介质 |
CN113449163A (zh) * | 2021-06-29 | 2021-09-28 | 平安养老保险股份有限公司 | 基于人工智能的客户挖掘方法、装置、设备及存储介质 |
CN115186099A (zh) * | 2022-05-31 | 2022-10-14 | 民生科技有限责任公司 | 一种基于多维度构建知识图谱的对公营销方法和系统 |
CN116012060A (zh) * | 2022-12-05 | 2023-04-25 | 中信银行股份有限公司 | 一种客户亲密度计算方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116452313B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222267B (zh) | 一种游戏平台信息推送方法、系统、存储介质及设备 | |
Li et al. | Project success prediction in crowdfunding environments | |
CN108090800B (zh) | 一种基于玩家消费潜力的游戏道具推送方法和装置 | |
McMahan et al. | Ad click prediction: a view from the trenches | |
Chen et al. | An empirical study of demand forecasting of non-volatile memory for smart production of semiconductor manufacturing | |
CN109741114A (zh) | 一种大数据金融场景下的用户购买预测方法 | |
CN107368519A (zh) | 一种契合用户兴趣变化的协同处理方法及系统 | |
Cui et al. | Max-linear regression models with regularization | |
Zhao et al. | Purchase prediction using Tmall‐specific features | |
TW202133080A (zh) | 資源資訊推送方法、裝置、伺服器及存儲介質 | |
CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
Pougué-Biyong et al. | Learning stance embeddings from signed social graphs | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
Yan et al. | An integrated method based on hesitant fuzzy theory and RFM model to insurance customers’ segmentation and lifetime value determination | |
CN113240259B (zh) | 规则策略组的生成方法、系统及电子设备 | |
Hasheminejad et al. | Clustering of bank customers based on lifetime value using data mining methods | |
CN108647739A (zh) | 一种基于改进的密度峰值聚类的社交网络社区发现方法 | |
CN116452313B (zh) | 银行游戏客群中客户价值的计算方法、装置和电子设备 | |
US11487835B2 (en) | Information processing system, information processing method, and program | |
CN115689713A (zh) | 异常风险数据处理方法、装置、计算机设备和存储介质 | |
Wang et al. | Computer supported data-driven decisions for service personalization: a variable-scale clustering method | |
CN115841345A (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
Tsuchiya | Profitability of cryptocurrency Pump and Dump schemes | |
Utama et al. | SCIENTIFIC ARTICLES RECOMMENDATION SYSTEM BASED ON USER’S RELATEDNESS USING ITEM-BASED COLLABORATIVE FILTERING METHOD | |
Ma et al. | User portrait-based hybrid recommendation method of web services |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |